7808 articles
Le papier présente DriveMVS, un cadre stéréo multi-vues innovant qui améliore la précision métrique, la cohérence spatio-temporelle et la généralisation pour la conduite autonome en fusionnant des observations LiDAR métriques comme indices géométriques avec des indices visuels diversifiés via un décodeur spatio-temporel.
Cet article propose un cadre de détection d'objets petits et complexes intégrant un échantillonnage par ondelettes de Haar résiduel, une modélisation des relations globales et une attention hybride inter-échelle pour surmonter les dégradations de caractéristiques et améliorer la précision de localisation.
Le papier présente TAP, un cadre d'accélération sans entraînement pour les modèles de diffusion qui sélectionne dynamiquement, à chaque étape et pour chaque token, le prédicteur optimal basé sur une sonde à faible coût, permettant ainsi des gains de vitesse significatifs sans perte de qualité perceptible.
Ce papier propose une méthode de test-time adaptation à long terme intégrant un schéma de réinitialisation adaptative et sélective, un régularisateur sensible à l'importance et un ajustement dynamique pour prévenir l'effondrement du modèle tout en préservant les connaissances acquises.
Cette présentation introduit STAR, une méthode de préentraînement autorégressif innovante pour Vision Mamba qui utilise des séparateurs pour quadrupler la longueur des séquences d'entrée, permettant ainsi au modèle STAR-B d'atteindre une précision de 83,5 % sur ImageNet-1k en exploitant efficacement les dépendances à long terme.
Cet article propose un cadre de détection d'objets sous-marins léger et robuste basé sur YOLOv10, intégrant un module d'amélioration adaptatif, un mécanisme d'attention à double mise en pool séquentielle et une fonction de perte FGIoU, qui améliore significativement la précision sur les jeux de données RUOD et DUO tout en conservant une architecture compacte adaptée aux systèmes embarqués.
Cet article propose un autoencodeur à quantification vectorielle (VQAE) pour compresser efficacement les étiquettes douces dans la distillation de jeux de données, réduisant considérablement les coûts de stockage tout en préservant la performance des modèles sur des benchmarks comme ImageNet-1K.
Cet article propose la méthode SPA (Structure-aware Prompt Adaptation), qui améliore l'apprentissage zéro-shot compositionnel à vocabulaire ouvert en exploitant la cohérence des structures locales sémantiques pour adapter les modèles des concepts vus aux concepts non vus.
Cet article propose AVAR, un cadre d'initialisation à froid guidé par l'attention qui résout le problème de la « localisation paresseuse de l'attention » en synthétisant des données visuelles et en façonnant les récompenses, permettant ainsi d'obtenir des gains significatifs en raisonnement multimodal sans réentraînement.
Cet article présente FoundPS, un modèle fondationnel universel pour la fusion d'images satellitaires qui surpasse les méthodes existantes en généralisation grâce à une architecture innovante combinant transformateurs et diffusion latente, et est validé sur une nouvelle benchmark mondiale nommé PSBench.
Cet article présente le CWP-Net, un réseau de prompt déconvolutif causal et désintriqué en ondelettes conçu pour améliorer la restauration d'images tout-en-un en éliminant les corrélations fallacieuses et les estimations biaisées des dégradations.
Le papier présente DeepScan, un cadre sans entraînement qui améliore le raisonnement ancré visuellement des grands modèles vision-langage grâce à une exploration hiérarchique, un recentrage et un raisonnement enrichi par des preuves, permettant d'atteindre des performances élevées sans coût d'adaptation supplémentaire.
Cet article propose un cadre de renforcement par feedback humain, incluant le premier jeu de données à grande échelle de scores subjectifs pour la fusion d'images infrarouges et visibles, afin d'aligner les résultats de fusion sur les préférences visuelles humaines grâce à l'optimisation de politique de groupe.
Ce papier présente Yolo-Key-6D, une méthode monostade end-to-end pour l'estimation de pose 6D monoculaire qui améliore la précision et la vitesse en intégrant la détection de points clés et une régression de rotation continue, permettant ainsi un déploiement temps réel sur les benchmarks LINEMOD.
Ce papier présente UniSync, un cadre unifié qui surpasse les méthodes actuelles de synchronisation labiale en combinant une stratégie d'entraînement sans masque pour la fidélité des couleurs et un inférence de fusion basée sur un masque pour la précision structurelle, permettant ainsi une adaptation robuste à des scénarios réels complexes incluant des avatars stylisés et des conditions d'éclairage extrêmes.
Cet article présente un réseau neuronal convolutif innovant conçu pour classer les métadonnées de tablettes cunéiformes en surmontant les défis posés par la rareté des données annotées et la complexité des nuages de points haute résolution, surpassant ainsi les performances de l'état de l'art (Point-BERT).
Cet article propose un cadre d'évaluation unifié et de nouvelles métriques pour évaluer conjointement la détection des données hors distribution et la prédiction des erreurs de classification, démontrant que l'utilisation de fonctions de double score améliore significativement la fiabilité des classificateurs par rapport aux approches traditionnelles.
Cet article présente une architecture de suivi d'objets modulaire et asynchrone (MATA) intégrant des transformateurs et un filtre de Kalman étendu pour les drones, accompagnée d'un nouveau protocole d'évaluation et d'une métrique (NT2F) validés sur des plateformes embarquées pour améliorer la robustesse et l'efficacité en temps réel.
Cet article présente FGAesthetics, une nouvelle base de données fine-grainée pour l'évaluation esthétique des images, ainsi que le cadre FGAesQ qui utilise des comparaisons relatives et des techniques d'alignement textuel pour apprendre des scores discriminatifs capables de distinguer des variations esthétiques subtiles tout en maintenant des performances compétitives sur des évaluations grossières.
Cet article propose une méthode d'injection de n-grammes (NGI) dans les décodeurs de Transformers pour adapter dynamiquement les modèles de reconnaissance de texte manuscrit à des distributions linguistiques cibles lors de l'inférence, réduisant ainsi significativement l'écart de performance sans nécessiter de réentraînement sur des paires image-texte.